Mapeamento de Corpos Arenosos Costeiros: 13 Anos de Detecção de Praias e Dunas Utilizando Aprendizagem de Máquina
As praias arenosas que compõem a Zona Costeira Brasileira (ZCB) são de vital importância ambiental e econômica, mantendo populações humanas e conservando biodiversidades. Tais estruturas sofrem impactos primários de ordem tanto antropológica quanto natural. À vista disso, o projeto MapBiomas Brasil é um grande ator na detecção de Praias e Dunas (PeD) ao longo de séries temporais que crescem conforme o avanço de suas coleções publicadas. Diante disso, este trabalho objetiva classificar a presença de PeD, adotando como referência os mapas binários publicados na coleção 4.1 do projeto supracitado, tendo em análise a região Sul federativa componente da ZCB. Ao qual é realizado por meio de uma metodologia, que se utiliza de Machine Learning cuja execução é feita inteiramente na plataforma Google Earth Engine, utilizando imagens provenientes do satélite Landsat 5. A série temporal analisada parte de 1985 a 1997. Ainda, há a aferição de acurácia entre os resultados obtidos neste trabalho, e a referência para os anos 1985, 1991 e 1997, por meio de matrizes de confusão, contrastando tais classificações com um dataset tido como especialista pelo projeto MapBiomas, uma vez que foi catalogado humanamente. Para 1985, a classificação obteve 96% de acurácia global (AG), e a referência, 95%. Em 1991, ambas atingiram 95% de AG, e em 1997, a classificação alcançou 96% de AG, e a referência, 94%. Em termos absolutos, foi verificada uma redução da área de PeD em cerca de 217 km², entre os anos 1985 e 1997.
Visualização dos mapas binários finais e suas estatísticas: https://code.earthengine.google.com/23d0f97141b6f4ce3a2e0ced59cf7269
-
Mosaico Base
-
Mapas Binários
| Mapa Referência - MapBiomas, Coleção 4.1 | Classificação PeD |
|---|---|
 |
 |
- Comparação
| Mudanças | Visualização das mudanças no mosaico |
|---|---|
 |
 |
- Legenda:
- Azul: Concordância
- Verde: Discordância Positiva (Classificação PeD > Referência)
- NECESSARY IMPORTS
var table = ee.FeatureCollection("users/luizcf14/Artigo_Luize/ecossistemas_costeiros_maio2010"),
imageVisParam = {"opacity":1,"bands":["swir1","nir","red"],"min":100,"max":143,"gamma":1},
geometry =
ee.Geometry.Polygon(
[[[-53.614819140625, -32.35235042278909],
[-53.614819140625, -33.67429275769536],
[-51.95588359375, -33.67429275769536],
[-51.95588359375, -32.35235042278909]]], null, false);
}- BASIC CONFIGURATIONS
// Year selection (FROM 1985 TO 1997)
var year = 1985
var south = ee.FeatureCollection('users/luizcf14/Brasil/estados').filterMetadata("regiao_id","equals","1");
// Basic mosaic visualization
// ATTENTION: PLEASE, DO NOT MODIFY THE FOLLOWING LINE
var mosaic = ee.Image("projects/samm/SAMM/Mosaic/"+year+"_v2")
Map.addLayer(mosaic,imageVisParam,'Mosaic')
// Blank canvas for better visualization of chances
Map.addLayer(ee.Image(0),{palette:'FFFFFF'},'Blank',false)- VISUALIZATION OF MapBiomas 4.1 CLASSIFICATION
// ATTENTION: PLEASE, DO NOT MODIFY THE FOLLOWING LINES
var merge = ee.Image('projects/mapbiomas-workspace/TRANSVERSAIS/ZONACOSTEIRA4_1-FT/'+year).eq(23).unmask(0)
var displacedMergeMask = merge.focal_max(4).reproject('EPSG:4326', null, 30)
merge = merge.updateMask(displacedMergeMask.eq(1)).unmask(0).clip(south);
Map.addLayer(merge,{palette:['white','red'],min:0,max:1},'Reference Mapbiomas 4.1',false)- OUR BEACHES AND DUNES (B&D) CLASSIFICATION
// ATTENTION: PLEASE, DO NOT MODIFY THE FOLLOWING LINES
var BD_Classification = ee.Image('projects/mapbiomas-workspace/TRANSVERSAIS/ZONACOSTEIRA5-FT/'+year+'-8').clip(south);
Map.addLayer(BD_Classification.mask(BD_Classification.eq(23)),{palette:'blue'},'B&D Classification',false)- CORRELATIONS
//No-change
var noChangeP = BD_Classification.eq(23).and(merge.eq(1))
var noChangeN = BD_Classification.neq(23).and(merge.eq(0))
//Positive-Disagreement (BD_Classification B&D -> ecosystem non-B&D)
var positiveDisagreement = BD_Classification.eq(23).and(merge.neq(1))
//Negative-Disagreement (BD_Classification non-B&D -> ecosystem B&D)
var nagativeDisagreement = BD_Classification.neq(23).and(merge.eq(1))
var changes = ee.ImageCollection([ee.Image(1).toByte().mask(noChangeP),
ee.Image(2).toByte().mask(positiveDisagreement),
ee.Image(3).toByte().mask(nagativeDisagreement)
]).max().unmask(0)
Map.addLayer(changes.mask(changes.gt(0)),{palette:['000000','0000FF','00FF00','FF0000'],min:0,max:3},'Changes')
}- STATISTICS
var statesBR = south;
var changesPerState = statesBR.map(function(feat){
var nochangesP = noChangeP.reduceRegion({reducer:ee.Reducer.sum(),geometry:feat.geometry(),scale:30,maxPixels:1e13})
var nochangesN = noChangeN.reduceRegion({reducer:ee.Reducer.sum(),geometry:feat.geometry(),scale:30,maxPixels:1e13})
var positive = positiveDisagreement.reduceRegion({reducer:ee.Reducer.sum(),geometry:feat.geometry(),scale:30,maxPixels:1e13})
var negative = nagativeDisagreement.reduceRegion({reducer:ee.Reducer.sum(),geometry:feat.geometry(),scale:30,maxPixels:1e13})
var sigla = feat.get('sigla')
return ee.Feature(null,{'nochangeN':nochangesN.get('classification'),'nochangeP':nochangesP.get('classification'),'positive':positive.get('classification'),'negative':negative.get('classification'),'sigla':sigla})
})
var changesPerState_Exemple = changesPerState.first()
print('Brasilian state exemple: ', changesPerState_Exemple.get('sigla'), changesPerState_Exemple)
Export.table.toDrive(changesPerState,'changes_per_state_'+year+'_mapbiomas','results_BandD','changes_per_state_'+year+'_mapbiomas')- LOCALIZATION SET
Map.setCenter(-52.5052,-32.8429,12)- POINTS BASED STATS (for years 1985, 1991 and 1997)
var specialist = ee.FeatureCollection("users/MariaLuizeSolvedCurso/TCC/Ptc_Specialist/Pts_specialist_BaD_"+year);
print('Quantity of specialist points: ',specialist.size())
var cf = ee.ConfusionMatrix(specialist.errorMatrix('especialista', 'classified'))
print("Confusion Matrix (New vs Specialist) ",cf)
print('Accuracy (New vs Specialist)',cf.accuracy())
print('Consumers Accuracy (New vs Specialist)',cf.consumersAccuracy())
print('Producers Accuracy (New vs Specialist)',cf.producersAccuracy())
print('---------------------------')
var cf41 = ee.ConfusionMatrix(specialist.errorMatrix('especialista', 'classified41'))
print('Confusion Matrix (4.1 vs Specialist)',cf41)
print('Accuracy (4.1 vs Specialist)',cf41.accuracy())
print('Consumers Accuracy (4.1 vs Specialist)',cf41.consumersAccuracy())
print('Producers Accuracy (4.1 vs Specialist)',cf41.producersAccuracy())Para mais informações sobre as estatisticas calculadas e os gráficos gerados descritivos da distribuição espacial de PeD na região Sul brasileira, consultar os arquivos, em formato .xlsx (excel format), south_stats.xlsx e counties_v2.xlsx. O primeiro apresenta as informações em nível estadual, e o segundo, em nível municipal.
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent